Title

> "Análisis Exploratorio Hoteles CDMX"

- toc:true- branch: master
- badges: true
- comments: true
- author: Daniel Rodriguez
- categories: [fastpages, jupyter]

import os 
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import seaborn as sns 
import folium
import geopandas as gpd
import json
import re
%matplotlib notebook
%matplotlib inline

pd.set_option('display.max_columns', None)

conce_bren = pd.read_csv('/Users/daniel.rodriguez/Documents/HOTELES CDMX/BASES PROCESADAS/base1819_bren.csv',sep = ',', encoding = 'utf-8',header = 0, index_col =False)
conce_bren['NOMBRE_HOTEL']=conce_bren['NOMBRE_HOTEL'].str.strip()
#conce_bren['PRC_OCUP']=conce_bren['PRC_OCUP'].astype(float)
conce_bren.head()

	NOMBRE_HOTEL	RTCDMX	ZONA_TURISTICA	CATEGORIA	FECHA	SEMANA	DIAS_SEM	DIAS_MES	MES	MES_NUM	AÑO	CO	CD	PRC_OCUP	TARIFA_PROMEDIO	CAT_Zonas_	bool
0	Hotel Camino Real Polanco Mexico	433	Chapultepec-Polanco	5.0	31/12/17	52	DOMINGO	31	DICIEMBRE	12	2017	420.0	712.0	0.589888	NaN	Chapultepec-Polanco	True
1	Hotel Royal Pedregal	7474	Perisur-Ajusco	5.0	31/12/17	52	DOMINGO	31	DICIEMBRE	12	2017	45.0	317.0	0.141956	1067.0	Perisur-Ajusco	True
2	Filadelfia Suites Hotel Boutique	5341	W.T.C.-San Angel-C.U.	5.0	31/12/17	52	DOMINGO	31	DICIEMBRE	12	2017	4.0	21.0	0.190476	0.0	W.T.C.-San Angel-C.U.	True
3	Sheraton Maria Isabel Hotel & Towers	350	Torre Mayor-Zona Rosa	5.0	31/12/17	52	DOMINGO	31	DICIEMBRE	12	2017	636.0	755.0	0.842384	1960.0	Torre Mayor-Zona Rosa	True
4	Hotel Fiesta Americana Grand Chapultepec	7469	Chapultepec-Polanco	5.0	31/12/17	52	DOMINGO	31	DICIEMBRE	12	2017	170.0	203.0	0.837438	1889.0	Chapultepec-Polanco	True

conce_bren.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 59941 entries, 0 to 59940
Data columns (total 17 columns):
NOMBRE_HOTEL       59941 non-null object
RTCDMX             59941 non-null int64
ZONA_TURISTICA     59941 non-null object
CATEGORIA          59913 non-null float64
FECHA              59941 non-null object
SEMANA             59941 non-null int64
DIAS_SEM           59941 non-null object
DIAS_MES           59941 non-null int64
MES                59941 non-null object
MES_NUM            59941 non-null int64
AÑO               59941 non-null int64
CO                 59249 non-null float64
CD                 59440 non-null float64
PRC_OCUP           58210 non-null float64
TARIFA_PROMEDIO    56411 non-null float64
CAT_Zonas_         59941 non-null object
bool               59941 non-null bool
dtypes: bool(1), float64(5), int64(5), object(6)
memory usage: 7.4+ MB

conce_bren.CAT_Zonas_.unique()

array(['Chapultepec-Polanco', 'Perisur-Ajusco', 'W.T.C.-San Angel-C.U.',
       'Torre Mayor-Zona Rosa', 'Condesa-Roma',
       'Centro Historico-Alameda', 'Norte-Basilica de Guadalupe',
       'Tlalpan-Taxquena', 'Coyoacan-Xoco-Atoyac',
       'Santa Fe-Desierto de los Leones', 'Aeropuerto-Foro Sol',
       'Iztapalapa-Central de Abasto'], dtype=object)

¿Cuantos hoteles hay por zona en la muestra?

conce_g = conce_bren.groupby(['CAT_Zonas_','NOMBRE_HOTEL','RTCDMX']).count()
conce_g = conce_g.reset_index()

lista_zonas = ['Chapultepec-Polanco', 'Perisur-Ajusco', 'W.T.C.-San Angel-C.U.',
       'Torre Mayor-Zona Rosa', 'Condesa-Roma',
       'Centro Historico-Alameda', 'Norte-Basilica de Guadalupe',
       'Tlalpan-Taxquena', 'Coyoacan-Xoco-Atoyac',
       'Santa Fe-Desierto de los Leones', 'Aeropuerto-Foro Sol',
       'Iztapalapa-Central de Abasto']


for i in lista_zonas:
    print(i+" "+str(len(conce_g[conce_g['CAT_Zonas_']==i])))

Chapultepec-Polanco 11
Perisur-Ajusco 15
W.T.C.-San Angel-C.U. 20
Torre Mayor-Zona Rosa 37
Condesa-Roma 5
Centro Historico-Alameda 17
Norte-Basilica de Guadalupe 14
Tlalpan-Taxquena 5
Coyoacan-Xoco-Atoyac 3
Santa Fe-Desierto de los Leones 9
Aeropuerto-Foro Sol 7
Iztapalapa-Central de Abasto 2

conce_g.head()

	CAT_Zonas_	NOMBRE_HOTEL	RTCDMX	ZONA_TURISTICA	CATEGORIA	FECHA	SEMANA	DIAS_SEM	DIAS_MES	MES	MES_NUM	AÑO	CO	CD	PRC_OCUP	TARIFA_PROMEDIO	bool
0	Aeropuerto-Foro Sol	Holiday Inn Express Aeropuerto CDMX	5524	582	582	582	582	582	582	582	582	582	582	582	582	576	582
1	Aeropuerto-Foro Sol	Hotel Fiesta Inn Aeropuerto	540	582	582	582	582	582	582	582	582	582	580	580	580	575	582
2	Aeropuerto-Foro Sol	Hotel Hilton Aeropuerto Ciudad de Mexico	627	582	582	582	582	582	582	582	582	582	582	582	582	564	582
3	Aeropuerto-Foro Sol	Hotel Riazor	604	21	21	21	21	21	21	21	21	21	21	21	21	21	21
4	Aeropuerto-Foro Sol	NH Aeropuerto T2 Mexico	5309	365	365	365	365	365	365	365	365	365	365	365	365	359	365

url = ('/Users/daniel.rodriguez/Documents/Hoteles CDMX/SHP_ZONAS_BREN/hoteles_04092019.shp')
zona_bren = gpd.read_file(url)
zona_bren.head()

	OBJECTID	Join_Count	TARGET_FID	ID_BASECOM	RTCDMX	RNT	RFC	RTCDMX1	NOMBRE_COM	RAZoN_SOCI	ENCARGADO	CATEGORiA	TIPO_DE_ES	HABITACION	CATEGORiA1	DOMICILIO	COLONIA	DELEGACIoN	CODIGO_POS	y	x	ZONA_TURiS	TELeFONO_1	TELeFONO_2	Distintivo	Moderniza	Otra	Salones	Capacidad	Salas_de_J	Capacidad1	Spa	Gym	Capacidade	Restaurant	Bar	Alberca	Jacuzzi	Lobby_Bar	Cafeteria	Estacionam	Valet_Park	TV_Cable	Taxi	Guia_de_Tu	Arrendador	Aire_Acond	Centro_Eje	Agencia_de	Room_Servi	Servivbar	Caja_de_Se	Cambio_de	Boutique	Floreria	Tabaqueria	Lavanderia	Estetica	Renta_de_P	Servicio_M	Secretaria	Niñera	Juegos_Inf	Tienda_de	Campo_de_G	Cancha_de	Squash	Grupo_de_a	Habitaci_1	Acceso_p_	OBJECTID_1	CVE_ENT	CVE_MUN	NOM_MUN	Shape_Leng	CAT_Zonas_	geometry
0	1	1	1	1.0	5.0	0.000000e+00	HPA820301IF0	5.0	Hotel NH Collection Mexico City Reforma	HOTELERA DE LA PARRA S.A. DE C.V.	Fernando Rivera	4 Estrellas	Hotel	306.0	4 Estrellas	Liverpool 155	Juarez	Cuauhtemoc	6600.0	19.424151	-99.165004	Torre Mayor - Zona Rosa	52289928.0	0.0	1.0	0.0	0.0	3.0	250.0	2.0	50.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	0.0	1.0	1.0	0.0	1.0	1.0	1.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	1	09	015	Cuauht moc	24394.842028	Torre Mayor - Zona Rosa	POINT (-99.16500399820507 19.42415100336075)
1	2	1	2	2.0	28.0	1.090151e+09	GHE0809221L7	28.0	Hotel El Salvador	GRUPO HOTEL EL SALVADOR S.A. DE C.V.	Manuel Ojeda Valle	3 Estrellas	Hotel	93.0	3 Estrellas	Republica de El Salvador 16	Centro (area 8)	Cuauhtemoc	6080.0	19.430475	-99.140571	Centro Historico - Alameda	55211008.0	55212160.0	0.0	1.0	0.0	1.0	100.0	1.0	50.0	0.0	1.0	1.0	1.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	0.0	1.0	1.0	0.0	1.0	1.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	2	09	015	Cuauht moc	24394.842028	Centro Historico - Alameda	POINT (-99.14057100005448 19.43047500588)
2	3	1	3	3.0	32.0	1.090151e+09	HMR690407KW7	32.0	City Express Alameda	HOTEL MONTE REAL, S.A. DE C.V.	None	4 Estrellas	Hotel	112.0	4 Estrellas	Revillagigedo 23	Centro (area 5)	Cuauhtemoc	6050.0	19.433215	-99.146393	Centro Historico - Alameda	50178900.0	0.0	0.0	0.0	0.0	1.0	80.0	1.0	50.0	0.0	1.0	1.0	1.0	1.0	0.0	0.0	1.0	1.0	1.0	1.0	1.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	0.0	1.0	1.0	1.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	3	09	015	Cuauht moc	24394.842028	Centro Historico - Alameda	POINT (-99.14639299921691 19.43321500346065)
3	4	1	4	4.0	41.0	1.090151e+09	LER370323UV5	41.0	Hotel Maria Cristina	LERMA S.A.	Marco Antonio Cossio Gonzalez	4 Estrellas	Hotel	150.0	4 Estrellas	Rio Lerma 31	Cuauhtemoc	Cuauhtemoc	6500.0	19.431644	-99.163342	Torre Mayor - Zona Rosa	55669688.0	57031212.0	1.0	0.0	0.0	2.0	180.0	1.0	10.0	0.0	1.0	1.0	1.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	4	09	015	Cuauht moc	24394.842028	Torre Mayor - Zona Rosa	POINT (-99.16334199998528 19.4316440038383)
4	5	1	5	5.0	42.0	0.000000e+00	HAN6611072H2	42.0	Hotel Del angel	COMPAÑIA HOTELERA DEL aNGEL S.A. DE C.V.	Laura Cortes	4 Estrellas	Hotel	100.0	4 Estrellas	Rio Lerma 154	Cuauhtemoc	Cuauhtemoc	6500.0	19.428442	-99.168791	Torre Mayor - Zona Rosa	55331032.0	55331039.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	1.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	5	09	015	Cuauht moc	24394.842028	Torre Mayor - Zona Rosa	POINT (-99.16879099607468 19.42844200134277)

¿Cómo es la distribución de habitaciones por hotel?

zona_bren.HABITACION.quantile([0.25, 0.5, 0.75])

0.25    38.0
0.50    58.0
0.75    96.0
Name: HABITACION, dtype: float64

fig, ax = plt.subplots(figsize = (15, 10))

ax.hist(zona_bren.HABITACION, bins = 80, alpha = 0.3,color = 'blue', ec='aqua',linewidth=2, label = 'Número de Habitaciones')
#ax.hist(pairs19.mean_travel_min19, bins = 50, alpha = 0.3,color = 'green', ec='aqua',linewidth=2, label = 2019)
ax.set_ylabel('Frecuencia',fontsize = 14)
ax.set_xlabel('Número de habitaciones', fontsize = 14)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)
#plt.text(1500, 6167951.32, "Col: Parque Ind. Eco. Leon/ Pob: 0/ Ventas: $6,167,951.32", horizontalalignment='left', size='medium', color='black', weight='semibold',fontsize = 12)
#plt.text(20, 120, r'N = 23,855, mean = 2.04,  std = 4.973,  max = 150,  min = 1', fontsize=14)
plt.title("Distribución Numero de Habitaciones", loc='left', fontsize=20, fontweight=0, color='darkred')


plt.axvline(x=38, color = 'r')
plt.text(38.1, 85,'25%')
plt.axvline(x=58, color = 'r')
plt.text(59.5, 85,'50%')
plt.axvline(x=96, color = 'r')
plt.text(96.1, 85,'75%')
ax.get_xaxis().tick_bottom()  
ax.get_yaxis().tick_left() 
ax.legend()
fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/dist_habit.png', format = 'png', dpi = 300, bbox_inches = "tight")

zona_bren[zona_bren['HABITACION']>700]

	OBJECTID	Join_Count	TARGET_FID	ID_BASECOM	RTCDMX	RNT	RFC	RTCDMX1	NOMBRE_COM	RAZoN_SOCI	ENCARGADO	CATEGORiA	TIPO_DE_ES	HABITACION	CATEGORiA1	DOMICILIO	COLONIA	DELEGACIoN	CODIGO_POS	y	x	ZONA_TURiS	TELeFONO_1	TELeFONO_2	Distintivo	Moderniza	Otra	Salones	Capacidad	Salas_de_J	Capacidad1	Spa	Gym	Capacidade	Restaurant	Bar	Alberca	Jacuzzi	Lobby_Bar	Cafeteria	Estacionam	Valet_Park	TV_Cable	Taxi	Guia_de_Tu	Arrendador	Aire_Acond	Centro_Eje	Agencia_de	Room_Servi	Servivbar	Caja_de_Se	Cambio_de	Boutique	Floreria	Tabaqueria	Lavanderia	Estetica	Renta_de_P	Servicio_M	Secretaria	Niñera	Juegos_Inf	Tienda_de	Campo_de_G	Cancha_de	Squash	Grupo_de_a	Habitaci_1	Acceso_p_	OBJECTID_1	CVE_ENT	CVE_MUN	NOM_MUN	Shape_Leng	CAT_Zonas_	geometry
67	68	1	68	68.0	350.0	0.0	HSH6905238BA	350.0	Sheraton Maria Isabel Hotel & Towers	HOTELES SHERATON S.A. DE C.V.	Marcelo Moretti	5 Estrellas	Hotel	756.0	5 Estrellas	Paseo de la Reforma 325	Cuauhtemoc	Cuauhtemoc	6500.0	19.427920	-99.167195	Torre Mayor - Zona Rosa	52425555.0	52424007.0	1.0	0.0	0.0	0.0	0.0	1.0	20.0	0.0	0.0	1.0	1.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	1.0	1.0	0.0	0.0	1.0	1.0	0.0	1.0	1.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	68	09	015	Cuauht moc	24394.842028	Torre Mayor - Zona Rosa	POINT (-99.16719499696046 19.42792000435293)
72	73	1	73	73.0	433.0	0.0	AHG130507626	433.0	Hotel Camino Real Polanco Mexico	ADMINISTRADORA DE HOTELES GRT, S.A. DE C.V.	Norma Miranda Mondragon	5 Estrellas	Hotel	712.0	5 Estrellas	Calzada General Mariano Escobedo 700	Anzures	Miguel Hidalgo	11590.0	19.427734	-99.179174	Chapultepec - Polanco	52638888.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	1.0	1.0	1.0	1.0	1.0	0.0	0.0	0.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0	0.0	0.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	73	09	016	Miguel Hidalgo	39162.731389	Chapultepec - Polanco	POINT (-99.17917400132865 19.42773400619626)
590	591	1	591	591.0	7471.0	0.0	HHO900507844	7471.0	Hyatt Regency Mexico City	HR MC HOTEL COMPANY S. DE R.L. DE C.V.	Thierry Guillot	5 Estrellas	Hotel	755.0	5 Estrellas	Campos Eliseos 204	Polanco V seccion	Miguel Hidalgo	11560.0	19.427437	-99.192843	Chapultepec - Polanco	50831234.0	52838700.0	1.0	1.0	0.0	11.0	1370.0	2.0	40.0	0.0	1.0	0.0	1.0	1.0	0.0	1.0	0.0	1.0	1.0	1.0	1.0	1.0	0.0	0.0	1.0	1.0	1.0	1.0	1.0	1.0	1.0	0.0	0.0	0.0	1.0	1.0	0.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	1.0	1.0	1.0	591	09	016	Miguel Hidalgo	39162.731389	Chapultepec - Polanco	POINT (-99.19284299947321 19.42743700183928)

¿Cuántos hoteles hay por zona totales?

zona_bren.CAT_Zonas_.unique()

array(['Torre Mayor - Zona Rosa', 'Centro Historico - Alameda',
       'Norte - Basilica de Guadalupe', 'Tlalpan - Taxqueña',
       'Condesa - Zona Rosa', 'Chapultepec - Polanco',
       'WTC - San Angel - CU', 'Aeropuerto - Foro Sol',
       'Santa Fe - Desierto de los Leones',
       'Iztapalapa - Central de Abastos', 'Perisur - Ajusco', 'Coyoacan',
       'Xochimilco - Milpa Alta -Tlahuac', None], dtype=object)

zona_g = zona_bren.groupby(['CAT_Zonas_','NOMBRE_COM','RTCDMX1']).count().reset_index()

lista_zonas = ['Torre Mayor - Zona Rosa', 'Centro Historico - Alameda',
       'Norte - Basilica de Guadalupe', 'Tlalpan - Taxqueña',
       'Condesa - Zona Rosa', 'Chapultepec - Polanco',
       'WTC - San Angel - CU', 'Aeropuerto - Foro Sol',
       'Santa Fe - Desierto de los Leones',
       'Iztapalapa - Central de Abastos', 'Perisur - Ajusco', 'Coyoacan',
       'Xochimilco - Milpa Alta -Tlahuac']


for i in lista_zonas:
    print(i+" "+str(len(zona_g[zona_g['CAT_Zonas_']==i])))

Torre Mayor - Zona Rosa 135
Centro Historico - Alameda 97
Norte - Basilica de Guadalupe 94
Tlalpan - Taxqueña 82
Condesa - Zona Rosa 33
Chapultepec - Polanco 28
WTC - San Angel - CU 41
Aeropuerto - Foro Sol 37
Santa Fe - Desierto de los Leones 14
Iztapalapa - Central de Abastos 20
Perisur - Ajusco 25
Coyoacan 4
Xochimilco - Milpa Alta -Tlahuac 7

¿Qué porcentaje del total de hoteles por zona hay en la muestra?

dif_hot = pd.read_csv('/Users/daniel.rodriguez/Documents/HOTELES CDMX/BASES PROCESADAS/hotelestotvshoteles_muestra.csv',sep = ',', encoding = 'utf-8',header = 0, index_col =False)
dif_hot.head()
dif_hot['prc_tot'] = 1-dif_hot['prc_muestra']
dif_hot['prc_muestra'] = dif_hot['prc_muestra']*100
dif_hot['prc_tot'] = dif_hot['prc_tot']*100
dif_hot

	CAT_Zonas_	HOTELES_TOTALES	HOTELES_MUESTRA	prc_muestra	prc_tot
0	Chapultepec - Polanco	28	11	39.285714	60.714286
1	Perisur - Ajusco	25	15	60.000000	40.000000
2	W.T.C. - San Angel - C.U.	41	20	48.780488	51.219512
3	Torre Mayor - Zona Rosa	135	37	27.407407	72.592593
4	Santa Fe - Desierto de los Leones	14	9	64.285714	35.714286
5	Condesa - Roma	33	5	15.151515	84.848485
6	Centro Historico - Alameda	97	17	17.525773	82.474227
7	Tlalpan - Taxquena	82	5	6.097561	93.902439
8	Coyoacan-Xoco-Atoyac	4	3	75.000000	25.000000
9	Aeropuerto - Foro Sol	37	7	18.918919	81.081081
10	Norte - Basilica de Guadalupe	94	14	14.893617	85.106383
11	Iztapalapa - Central de Abastos	20	2	10.000000	90.000000
12	Xochimilco - Milpa Alta - Tlahuac	7	0	0.000000	100.000000

def truncate(n, decimals=0):
    multiplier = 10 ** decimals
    return int(n * multiplier) / multiplier




#Hacemos grafica
plt.figure(figsize=(20,15), dpi= 80)


ax1 =plt.bar(dif_hot['CAT_Zonas_'],dif_hot['prc_muestra'], alpha = 0.9, width=.9, label='PRC_MUESTRA', 
        color='#3182bd',bottom=dif_hot['prc_tot'])

ax2 =plt.bar(dif_hot['CAT_Zonas_'], dif_hot['prc_tot'], alpha = 0.5, width=.9, label='PRC_TOTAL',
        color='#a8ddb5')

#Posicionamos las etiquetas
for r1, r2 in zip(ax1, ax2):
    h1 = r1.get_height()
    h2 = r2.get_height()
    plt.text(r1.get_x() + r1.get_width() / 2.,  h2 + h1/ 2., truncate(h1,1), ha="center", va="center", color="black", fontsize=20,alpha = 1)
    plt.text(r2.get_x() + r2.get_width() / 2.,  h2 / 2., truncate(h2,1), ha="center", va="center", color="black", fontsize=20, alpha = 1)

    
    
plt.text('Chapultepec - Polanco', 102, "28", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Perisur - Ajusco', 102, "25", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('W.T.C. - San Angel - C.U.', 102, "41", horizontalalignment='center', size='large',fontsize=20, color='#1f78b4')
plt.text('Torre Mayor - Zona Rosa', 102, "135", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Santa Fe - Desierto de los Leones', 102, "14", horizontalalignment='left', size='large', fontsize=20,color='#1f78b4')
plt.text('Condesa - Roma', 102, "33", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Centro Historico - Alameda', 102, "97", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Tlalpan - Taxquena', 102, "82", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Coyoacan-Xoco-Atoyac', 102, "4", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Aeropuerto - Foro Sol', 102, "37", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4')
plt.text('Norte - Basilica de Guadalupe', 102, "94", horizontalalignment='center', size='large',fontsize=20, color='#1f78b4')        
plt.text('Iztapalapa - Central de Abastos', 102, "20", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4') 
plt.text('Xochimilco - Milpa Alta - Tlahuac', 102, "7", horizontalalignment='center', size='large', fontsize=20,color='#1f78b4') 
    
#Posicionamos la leyenda
plt.legend(bbox_to_anchor=(1.01,0.5), loc='center left', prop={'size':15})
plt.xticks(dif_hot['CAT_Zonas_'], fontsize = 15, rotation =90)
plt.yticks(fontsize = 15)
plt.ylabel("Porcentaje de Hoteles en la muestra", fontsize=15)
#plt.xlabel("Countries")
plt.title("%HOTELES POR ZONA TURISTICA", pad = 50,loc='left', fontsize=20, fontweight=0, color='darkred')
plt.ylim=1.0

#Quitamos las lineas 
plt.gca().spines['top'].set_visible(False)
plt.gca().spines['bottom'].set_visible(False)
plt.gca().spines['left'].set_visible(False)
plt.gca().spines['right'].set_visible(False)

# rotate axis labels
#plt.setp(plt.gca().get_xticklabels(), rotation=90, horizontalalignment='center', fontsize = 20)
#plt.setp(plt.gca().get_yticklabels(), fontsize = 15)

#Guardamos grafico
plt.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/prc_hoteles.png', format = 'png', dpi = 300, bbox_inches = "tight")

#Mostramos grafico
plt.show()

¿Cuál es el porcentaje de ocupación por día de la semana?

con_g_b = conce_bren.groupby(['CAT_Zonas_','DIAS_SEM']).sum().reset_index()
con_g_b = con_g_b[['CAT_Zonas_','DIAS_SEM','CO','CD','TARIFA_PROMEDIO']]
con_g_b['PRC_OCUP']= con_g_b['CO']/con_g_b['CD']*100
con_g_b.head(15)

	CAT_Zonas_	DIAS_SEM	CO	CD	TARIFA_PROMEDIO	PRC_OCUP
0	Aeropuerto-Foro Sol	DOMINGO	60214.0	80475.0	736029.42	74.823237
1	Aeropuerto-Foro Sol	JUEVES	71492.0	79520.0	846349.52	89.904427
2	Aeropuerto-Foro Sol	LUNES	64360.0	79520.0	781880.57	80.935614
3	Aeropuerto-Foro Sol	MARTES	68074.0	79520.0	818725.00	85.606137
4	Aeropuerto-Foro Sol	MIERCOLES	70684.0	79520.0	833656.36	88.888330
5	Aeropuerto-Foro Sol	SABADO	57197.0	79440.0	708584.45	72.000252
6	Aeropuerto-Foro Sol	VIERNES	63210.0	79440.0	741664.50	79.569486
7	Centro Historico-Alameda	DOMINGO	65600.0	100328.0	1380207.21	65.385535
8	Centro Historico-Alameda	JUEVES	77197.0	99427.0	1418893.85	77.641888
9	Centro Historico-Alameda	LUNES	67135.0	99608.0	1391371.87	67.399205
10	Centro Historico-Alameda	MARTES	72180.0	99620.0	1394775.40	72.455330
11	Centro Historico-Alameda	MIERCOLES	76042.0	99586.0	1416907.45	76.358123
12	Centro Historico-Alameda	SABADO	77800.0	99169.0	1445827.64	78.451936
13	Centro Historico-Alameda	VIERNES	76828.0	99249.0	1432347.14	77.409344
14	Chapultepec-Polanco	DOMINGO	86900.0	159955.0	1595432.66	54.327780

fin_sem = ['SABADO','DOMINGO']
sem = ['LUNES','MARTES','MIERCOLES','JUEVES','VIERNES']

aer_foro_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Aeropuerto-Foro Sol')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
aer_foro_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Aeropuerto-Foro Sol')&(con_g_b['DIAS_SEM'].isin(sem))]

cen_alameda_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Centro Historico-Alameda')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
cen_alameda_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Centro Historico-Alameda')&(con_g_b['DIAS_SEM'].isin(sem))]

chap_pol_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Chapultepec-Polanco')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
chap_pol_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Chapultepec-Polanco')&(con_g_b['DIAS_SEM'].isin(sem))]

cond_rom_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Condesa-Roma')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
cond_rom_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Condesa-Roma')&(con_g_b['DIAS_SEM'].isin(sem))]

coyo_xo_ato_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Coyoacan-Xoco-Atoyac')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
coyo_xo_ato_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Coyoacan-Xoco-Atoyac')&(con_g_b['DIAS_SEM'].isin(sem))]

izt_abasto_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Iztapalapa-Central de Abasto')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
izt_abasto_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Iztapalapa-Central de Abasto')&(con_g_b['DIAS_SEM'].isin(sem))]

nte_basi_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Norte-Basilica de Guadalupe')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
nte_basi_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Norte-Basilica de Guadalupe')&(con_g_b['DIAS_SEM'].isin(sem))]

peri_ajusco_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Perisur-Ajusco')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
peri_ajusco_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Perisur-Ajusco')&(con_g_b['DIAS_SEM'].isin(sem))]

stafe_leo_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Santa Fe-Desierto de los Leones')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
stafe_leo_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Santa Fe-Desierto de los Leones')&(con_g_b['DIAS_SEM'].isin(sem))]

tlal_tax_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Tlalpan-Taxquena')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
tlal_tax_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Tlalpan-Taxquena')&(con_g_b['DIAS_SEM'].isin(sem))]

torre_rosa_fin = con_g_b[(con_g_b['CAT_Zonas_']=='Torre Mayor-Zona Rosa')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
torre_rosa_sem = con_g_b[(con_g_b['CAT_Zonas_']=='Torre Mayor-Zona Rosa')&(con_g_b['DIAS_SEM'].isin(sem))]

wtc_angel_cu_fin = con_g_b[(con_g_b['CAT_Zonas_']=='W.T.C.-San Angel-C.U.')&(con_g_b['DIAS_SEM'].isin(fin_sem))]
wtc_angel_cu_sem = con_g_b[(con_g_b['CAT_Zonas_']=='W.T.C.-San Angel-C.U.')&(con_g_b['DIAS_SEM'].isin(sem))]
                     

fin_semana_b = pd.concat([aer_foro_fin.reset_index(drop = True),
                        cen_alameda_fin.reset_index(drop = True),
                        chap_pol_fin.reset_index(drop = True),
                        cond_rom_fin.reset_index(drop = True),
                        coyo_xo_ato_fin.reset_index(drop = True),
                        izt_abasto_fin.reset_index(drop = True),
                        nte_basi_fin.reset_index(drop = True),
                        peri_ajusco_fin.reset_index(drop = True),
                        stafe_leo_fin.reset_index(drop = True),
                        tlal_tax_fin.reset_index(drop = True),
                        torre_rosa_fin.reset_index(drop = True),
                        wtc_angel_cu_fin.reset_index(drop = True)], axis = 0)

semana_b = pd.concat([aer_foro_sem.reset_index(drop = True),
                    cen_alameda_sem.reset_index(drop = True),
                    chap_pol_sem.reset_index(drop = True),
                    cond_rom_sem.reset_index(drop = True),
                    coyo_xo_ato_sem.reset_index(drop = True),
                    izt_abasto_sem.reset_index(drop = True),
                    nte_basi_sem.reset_index(drop = True),
                    peri_ajusco_sem.reset_index(drop = True),
                    stafe_leo_sem.reset_index(drop = True),
                    tlal_tax_sem.reset_index(drop = True),
                    torre_rosa_sem.reset_index(drop = True),
                    wtc_angel_cu_sem.reset_index(drop = True)], axis = 0)

dia_semana_b = pd.concat([fin_semana_b.reset_index(drop= True), semana_b.reset_index(drop=True)], axis = 0)

fig, ax = plt.subplots(figsize=(20, 16))
order_sem = dia_semana_b.sort_values('PRC_OCUP', ascending= False)

x = np.arange(len(order_sem.CAT_Zonas_.unique()))

bar_width = 0.13

b1 = ax.bar(x, order_sem.loc[order_sem['DIAS_SEM']=='LUNES','PRC_OCUP'], width = bar_width, label = 'LUNES')
b2 = ax.bar(x+bar_width, order_sem.loc[order_sem['DIAS_SEM']=='MARTES','PRC_OCUP'], width = bar_width,label = 'MARTES')
b3 = ax.bar(x+bar_width+bar_width, order_sem.loc[order_sem['DIAS_SEM']=='MIERCOLES','PRC_OCUP'], width = bar_width,label = 'MIERCOLES')
b4 = ax.bar(x+bar_width+bar_width+bar_width, order_sem.loc[order_sem['DIAS_SEM']=='JUEVES','PRC_OCUP'], width = bar_width,label = 'JUEVES')
b5 = ax.bar(x+bar_width+bar_width+bar_width+bar_width, order_sem.loc[order_sem['DIAS_SEM']=='VIERNES','PRC_OCUP'], width = bar_width,label = 'VIERNES')
b6 = ax.bar(x+bar_width+bar_width+bar_width+bar_width+bar_width, order_sem.loc[order_sem['DIAS_SEM']=='SABADO','PRC_OCUP'], width = bar_width,label = 'SABADO')
b7 = ax.bar(x+bar_width+bar_width+bar_width+bar_width+bar_width+bar_width, order_sem.loc[order_sem['DIAS_SEM']=='DOMINGO','PRC_OCUP'], width = bar_width,label = 'DOMINGO')

vals = ax.get_yticks()

ax.set_yticklabels(['{:,.0f}%'.format(x) for x in vals],fontsize = 13)
#plt.xticks(fontsize = 12)

ax.legend()
plt.title("Ocupación (%) por Zona Turística por día de Semana", loc='left', fontsize=20, fontweight=0, color='darkred')
# Fix the x-axes.
ax.set_xticks([p + 2.5 * bar_width for p in x])
ax.set_xticklabels(order_sem.CAT_Zonas_.unique())
ax.tick_params(axis = 'x',rotation = 90,labelsize = 18)
ax.tick_params(axis = 'y',labelsize = 18)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)

fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/ocupa_sem_bren.png', format = 'png', dpi = 300, bbox_inches = "tight")

fig, ax = plt.subplots(figsize=(20, 16))
order_fin = fin_semana_b.sort_values('PRC_OCUP', ascending= False)

x = np.arange(len(order_fin.CAT_Zonas_.unique()))

bar_width = 0.4

b1 = ax.bar(x, order_fin.loc[order_fin['DIAS_SEM']=='SABADO','PRC_OCUP'], width = bar_width, label = 'SABADO')

b2 = ax.bar(x + bar_width, order_fin.loc[order_fin['DIAS_SEM']=='DOMINGO','PRC_OCUP'], width = bar_width,label = 'DOMINGO')

ax.legend()
plt.title("Porcentaje de Ocupación Fin de Semana por Zona Turística", loc='left', fontsize=20, fontweight=0, color='darkred')
# Fix the x-axes.
ax.set_xticks(x + bar_width / 2)
ax.set_xticklabels(order_fin.CAT_Zonas_.unique())
ax.tick_params(axis = 'x',rotation = 90,labelsize = 18)
ax.tick_params(axis = 'y',labelsize = 18)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)

fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/ocupa_fin_bren.png', format = 'png', dpi = 300, bbox_inches = "tight")

¿Cómo se comporta el porcentaje de ocupación por mes y semana del año 2018 y 2019?

conce_bren.columns

Index(['NOMBRE_HOTEL', 'RTCDMX', 'ZONA_TURISTICA', 'CATEGORIA', 'FECHA',
       'SEMANA', 'DIAS_SEM', 'DIAS_MES', 'MES', 'MES_NUM', 'AÑO', 'CO', 'CD',
       'PRC_OCUP', 'TARIFA_PROMEDIO', 'CAT_Zonas_', 'bool'],
      dtype='object')

plt.style.use('default')

concentrado1 = conce_bren[conce_bren['AÑO']==2018]

table = pd.pivot_table(concentrado1, values = 'PRC_OCUP', index = ['CAT_Zonas_'], columns = ['SEMANA'])
table = table.reset_index()

#table = table[['CAT_Zonas_','ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']]



x1 = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53]

y1 = table.iloc[0,1:54].values*100
y2 = table.iloc[1,1:54].values*100
y3 = table.iloc[2,1:54].values*100
y4 = table.iloc[3,1:54].values*100
y5 = table.iloc[4,1:54].values*100
y6 = table.iloc[5,1:54].values*100
y7 = table.iloc[6,1:54].values*100
y8 = table.iloc[7,1:54].values*100
y9 = table.iloc[8,1:54].values*100
y10 = table.iloc[9,1:54].values*100
y11 = table.iloc[10,1:54].values*100
y12 = table.iloc[11,1:54].values*100


fig, ax = plt.subplots(figsize=(15, 10))
 

#ax.plot(x1, y1, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[0,'CAT_Zonas_'])
#ax.plot(x1, y2, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[1,'CAT_Zonas_'])
#ax.plot(x1, y3, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[2,'CAT_Zonas_'])
#ax.plot(x1, y4, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[3,'CAT_Zonas_'])
#ax.plot(x1, y5, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[4,'CAT_Zonas_'])
#ax.plot(x1, y6, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[5,'CAT_Zonas_'])
#ax.plot(x1, y7, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[6,'CAT_Zonas_'])
#ax.plot(x1, y8, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[7,'CAT_Zonas_'])
#ax.plot(x1, y9, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[8,'CAT_Zonas_'])
#ax.plot(x1, y10, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[9,'CAT_Zonas_'])
#ax.plot(x1, y11, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[10,'CAT_Zonas_'])
ax.plot(x1, y12, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[11,'CAT_Zonas_'])

vals = ax.get_yticks()

ax.set_yticklabels(['{:,.0f}%'.format(x) for x in vals],fontsize = 13)
plt.xticks(fontsize = 12)
        
#plt.text('DICIEMBRE', table.loc[0,'DICIEMBRE'], " Aeropuerto-Foro Sol", horizontalalignment='left', size='large', color='#a6cee3')
#plt.text('DICIEMBRE', table.loc[1,'DICIEMBRE'], " Centro Histórico-Alameda", horizontalalignment='left', size='large', color='#1f78b4')
#plt.text('DICIEMBRE', table.loc[2,'DICIEMBRE'], " Chapultepec-Polanco", horizontalalignment='left', size='large', color='#b2df8a')
#plt.text('DICIEMBRE', table.loc[3,'DICIEMBRE'], " Condesa-Roma", horizontalalignment='left', size='large', color='#33a02c')
#plt.text('DICIEMBRE', table.loc[4,'DICIEMBRE'], " Coyoacán-Xoco-Atoyac", horizontalalignment='left', size='large', color='#fb9a99')
#plt.text('DICIEMBRE', table.loc[5,'DICIEMBRE'], " Iztapalapa-Central de Abasto5", horizontalalignment='left', size='large', color='#e31a1c')
#plt.text('DICIEMBRE', table.loc[6,'DICIEMBRE'], " Norte-Basílica de Guadalupe", horizontalalignment='left', size='large', color='#fdbf6f')
#plt.text('DICIEMBRE', table.loc[7,'DICIEMBRE'], " Perisur-Ajusco", horizontalalignment='left', size='large', color='#ff7f00')
#plt.text('DICIEMBRE', table.loc[8,'DICIEMBRE'], " Santa Fe-Desierto de los Leones", horizontalalignment='left', size='large', color='#cab2d6')
#plt.text('DICIEMBRE', table.loc[9,'DICIEMBRE'], " Tlalpan-Taxqueña", horizontalalignment='left', size='large', color='#6a3d9a')
#plt.text('DICIEMBRE', table.loc[10,'DICIEMBRE'], " Torre Mayor-Zona Rosa", horizontalalignment='left', size='large', color='#ffff99')        
#plt.text('DICIEMBRE', table.loc[11,'DICIEMBRE'], " W.T.C.-San Ángel-C.U", horizontalalignment='left', size='large', color='#b15928')        
        
plt.ylabel("Ocupación (%)",fontsize =15)
plt.xlabel("Semana del Año",fontsize =20)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)
#ax.grid(axis ='both', color = 'silver', linewidth = 0.5, alpha = 0.5)
#ax.legend()
plt.title("Ocupación (%) WTC-San Ángel-CU Semanal 2018", loc='left', fontsize=20, fontweight=0, color='gray')

fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/prc_ocupa_sem_wtc18.png', format = 'png', dpi = 300, bbox_inches = "tight")

plt.style.use('default')

concentrado1 = conce_bren[conce_bren['AÑO']==2019]

table = pd.pivot_table(concentrado1, values = 'PRC_OCUP', index = ['CAT_Zonas_'], columns = ['SEMANA'])
table = table.reset_index()
#table = table[['CAT_Zonas_','ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']]



x1 = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31]

y1 = table.iloc[0,1:32].values*100
y2 = table.iloc[1,1:32].values*100
y3 = table.iloc[2,1:32].values*100
y4 = table.iloc[3,1:32].values*100
y5 = table.iloc[4,1:32].values*100
y6 = table.iloc[5,1:32].values*100
y7 = table.iloc[6,1:32].values*100
y8 = table.iloc[7,1:32].values*100
y9 = table.iloc[8,1:32].values*100
y10 = table.iloc[9,1:32].values*100
y11 = table.iloc[10,1:32].values*100
y12 = table.iloc[11,1:32].values*100


fig, ax = plt.subplots(figsize=(15, 10))
 

#ax.plot(x1, y1, marker='.', color='#a6cee3', alpha = 1, linewidth=2, label=table.loc[0,'CAT_Zonas_'])
#ax.plot(x1, y2, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[1,'CAT_Zonas_'])
ax.plot(x1, y3, marker='.', color='#b2df8a', alpha = 1, linewidth=2, label=table.loc[2,'CAT_Zonas_'])
#ax.plot(x1, y4, marker='.', color='#33a02c', alpha = 1, linewidth=2, label=table.loc[3,'CAT_Zonas_'])
#ax.plot(x1, y5, marker='.', color='#fb9a99', alpha = 1, linewidth=2, label=table.loc[4,'CAT_Zonas_'])
#ax.plot(x1, y6, marker='.', color='#e31a1c', alpha = 1, linewidth=2, label=table.loc[5,'CAT_Zonas_'])
#ax.plot(x1, y7, marker='.', color='#fdbf6f', alpha = 1, linewidth=2, label=table.loc[6,'CAT_Zonas_'])
#ax.plot(x1, y8, marker='.', color='#ff7f00', alpha = 1, linewidth=2, label=table.loc[7,'CAT_Zonas_'])
#ax.plot(x1, y9, marker='.', color='#cab2d6', alpha = 1, linewidth=2, label=table.loc[8,'CAT_Zonas_'])
#ax.plot(x1, y10, marker='.', color='#6a3d9a', alpha = 1, linewidth=2, label=table.loc[9,'CAT_Zonas_'])
#ax.plot(x1, y11, marker='.', color='#ffff99', alpha = 1, linewidth=2, label=table.loc[10,'CAT_Zonas_'])
#ax.plot(x1, y12, marker='.', color='#b15928', alpha = 1, linewidth=2, label=table.loc[11,'CAT_Zonas_'])

vals = ax.get_yticks()

ax.set_yticklabels(['{:,.2f}'.format(x) for x in vals],fontsize = 13)
plt.xticks(fontsize = 12)
        
#plt.text('DICIEMBRE', table.loc[0,'DICIEMBRE'], " Aeropuerto-Foro Sol", horizontalalignment='left', size='large', color='#a6cee3')
#plt.text('DICIEMBRE', table.loc[1,'DICIEMBRE'], " Centro Histórico-Alameda", horizontalalignment='left', size='large', color='#1f78b4')
#plt.text('DICIEMBRE', table.loc[2,'DICIEMBRE'], " Chapultepec-Polanco", horizontalalignment='left', size='large', color='#b2df8a')
#plt.text('DICIEMBRE', table.loc[3,'DICIEMBRE'], " Condesa-Roma", horizontalalignment='left', size='large', color='#33a02c')
#plt.text('DICIEMBRE', table.loc[4,'DICIEMBRE'], " Coyoacán-Xoco-Atoyac", horizontalalignment='left', size='large', color='#fb9a99')
#plt.text('DICIEMBRE', table.loc[5,'DICIEMBRE'], " Iztapalapa-Central de Abasto5", horizontalalignment='left', size='large', color='#e31a1c')
#plt.text('DICIEMBRE', table.loc[6,'DICIEMBRE'], " Norte-Basílica de Guadalupe", horizontalalignment='left', size='large', color='#fdbf6f')
#plt.text('DICIEMBRE', table.loc[7,'DICIEMBRE'], " Perisur-Ajusco", horizontalalignment='left', size='large', color='#ff7f00')
#plt.text('DICIEMBRE', table.loc[8,'DICIEMBRE'], " Santa Fe-Desierto de los Leones", horizontalalignment='left', size='large', color='#cab2d6')
#plt.text('DICIEMBRE', table.loc[9,'DICIEMBRE'], " Tlalpan-Taxqueña", horizontalalignment='left', size='large', color='#6a3d9a')
#plt.text('DICIEMBRE', table.loc[10,'DICIEMBRE'], " Torre Mayor-Zona Rosa", horizontalalignment='left', size='large', color='#ffff99')        
#plt.text('DICIEMBRE', table.loc[11,'DICIEMBRE'], " W.T.C.-San Ángel-C.U", horizontalalignment='left', size='large', color='#b15928')        
        
plt.ylabel("Porcentaje de Ocupación por semana",fontsize =15)
plt.xlabel("",fontsize =20)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)
#ax.grid(axis ='both', color = 'silver', linewidth = 0.5, alpha = 0.5)
ax.legend()
plt.title("Porcentaje de Ocupación Chapultepec Polanco semanal 2019", loc='left', fontsize=20, fontweight=0, color='darkred')

fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/prc_ocupa_sem_bren_chapul_pol19.png', format = 'png', dpi = 300, bbox_inches = "tight")

concentrado1 = conce_bren[conce_bren['AÑO']==2018]

table = pd.pivot_table(concentrado1, values = 'PRC_OCUP', index = ['CAT_Zonas_'], columns = ['MES'])
table = table.reset_index()
table = table[['CAT_Zonas_','ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']]



x1 = ['ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']

y1 = table.loc[0,'ENERO':'DICIEMBRE'].values*100
y2 = table.loc[1,'ENERO':'DICIEMBRE'].values*100
y3 = table.loc[2,'ENERO':'DICIEMBRE'].values*100
y4 = table.loc[3,'ENERO':'DICIEMBRE'].values*100
y5 = table.loc[4,'ENERO':'DICIEMBRE'].values*100
y6 = table.loc[5,'ENERO':'DICIEMBRE'].values*100
y7 = table.loc[6,'ENERO':'DICIEMBRE'].values*100
y8 = table.loc[7,'ENERO':'DICIEMBRE'].values*100
y9 = table.loc[8,'ENERO':'DICIEMBRE'].values*100
y10 = table.loc[9,'ENERO':'DICIEMBRE'].values*100
y11 = table.loc[10,'ENERO':'DICIEMBRE'].values*100
y12 = table.loc[11,'ENERO':'DICIEMBRE'].values*100


fig, ax = plt.subplots(figsize=(15, 10))
 

#ax.plot(x1, y1, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[0,'CAT_Zonas_'])
#ax.plot(x1, y2, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[1,'CAT_Zonas_'])
#ax.plot(x1, y3, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[2,'CAT_Zonas_'])
#ax.plot(x1, y4, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[3,'CAT_Zonas_'])
#ax.plot(x1, y5, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[4,'CAT_Zonas_'])
#ax.plot(x1, y6, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[5,'CAT_Zonas_'])
#ax.plot(x1, y7, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[6,'CAT_Zonas_'])
#ax.plot(x1, y8, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[7,'CAT_Zonas_'])
#ax.plot(x1, y9, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[8,'CAT_Zonas_'])
#ax.plot(x1, y10, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[9,'CAT_Zonas_'])
#ax.plot(x1, y11, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[10,'CAT_Zonas_'])
ax.plot(x1, y12, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[11,'CAT_Zonas_'])

vals = ax.get_yticks()

ax.set_yticklabels(['{:,.0f}%'.format(x) for x in vals],fontsize = 13)
plt.xticks(fontsize = 12)
        
#plt.text('DICIEMBRE', table.loc[0,'DICIEMBRE'], " Aeropuerto-Foro Sol", horizontalalignment='left', size='large', color='#a6cee3')
#plt.text('DICIEMBRE', table.loc[1,'DICIEMBRE'], " Centro Histórico-Alameda", horizontalalignment='left', size='large', color='#1f78b4')
#plt.text('DICIEMBRE', table.loc[2,'DICIEMBRE'], " Chapultepec-Polanco", horizontalalignment='left', size='large', color='#b2df8a')
#plt.text('DICIEMBRE', table.loc[3,'DICIEMBRE'], " Condesa-Roma", horizontalalignment='left', size='large', color='#33a02c')
#plt.text('DICIEMBRE', table.loc[4,'DICIEMBRE'], " Coyoacán-Xoco-Atoyac", horizontalalignment='left', size='large', color='#fb9a99')
#plt.text('DICIEMBRE', table.loc[5,'DICIEMBRE'], " Iztapalapa-Central de Abasto5", horizontalalignment='left', size='large', color='#e31a1c')
#plt.text('DICIEMBRE', table.loc[6,'DICIEMBRE'], " Norte-Basílica de Guadalupe", horizontalalignment='left', size='large', color='#fdbf6f')
#plt.text('DICIEMBRE', table.loc[7,'DICIEMBRE'], " Perisur-Ajusco", horizontalalignment='left', size='large', color='#ff7f00')
#plt.text('DICIEMBRE', table.loc[8,'DICIEMBRE'], " Santa Fe-Desierto de los Leones", horizontalalignment='left', size='large', color='#cab2d6')
#plt.text('DICIEMBRE', table.loc[9,'DICIEMBRE'], " Tlalpan-Taxqueña", horizontalalignment='left', size='large', color='#6a3d9a')
#plt.text('DICIEMBRE', table.loc[10,'DICIEMBRE'], " Torre Mayor-Zona Rosa", horizontalalignment='left', size='large', color='#ffff99')        
#plt.text('DICIEMBRE', table.loc[11,'DICIEMBRE'], " W.T.C.-San Ángel-C.U", horizontalalignment='left', size='large', color='#b15928')        
        
plt.ylabel("Ocupación (%)",fontsize =15)
plt.xlabel("Mes del Año",fontsize =20)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)
#ax.grid(axis ='both', color = 'silver', linewidth = 0.5, alpha = 0.5)
#ax.legend()
plt.title("Ocupación (%) WTC-San Ángel-CU Mensual 2018", loc='left', fontsize=20, fontweight=0, color='gray')

fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/prc_ocupa_mes_wtc18.png', format = 'png', dpi = 300, bbox_inches = "tight")

concentrado1 = conce_bren[conce_bren['AÑO']==2019]

table = pd.pivot_table(concentrado1, values = 'PRC_OCUP', index = ['CAT_Zonas_'], columns = ['MES'])
table = table.reset_index()
table = table[['CAT_Zonas_','ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO']]



x1 = ['ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO']

y1 = table.loc[0,'ENERO':'AGOSTO'].values*100
y2 = table.loc[1,'ENERO':'AGOSTO'].values*100
y3 = table.loc[2,'ENERO':'AGOSTO'].values*100
y4 = table.loc[3,'ENERO':'AGOSTO'].values*100
y5 = table.loc[4,'ENERO':'AGOSTO'].values*100
y6 = table.loc[5,'ENERO':'AGOSTO'].values*100
y7 = table.loc[6,'ENERO':'AGOSTO'].values*100
y8 = table.loc[7,'ENERO':'AGOSTO'].values*100
y9 = table.loc[8,'ENERO':'AGOSTO'].values*100
y10 = table.loc[9,'ENERO':'AGOSTO'].values*100
y11 = table.loc[10,'ENERO':'AGOSTO'].values*100
y12 = table.loc[11,'ENERO':'AGOSTO'].values*100


fig, ax = plt.subplots(figsize=(15, 10))
 

#ax.plot(x1, y1, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[0,'CAT_Zonas_'])
#ax.plot(x1, y2, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[1,'CAT_Zonas_'])
#ax.plot(x1, y3, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[2,'CAT_Zonas_'])
#ax.plot(x1, y4, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[3,'CAT_Zonas_'])
#ax.plot(x1, y5, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[4,'CAT_Zonas_'])
#ax.plot(x1, y6, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[5,'CAT_Zonas_'])
#ax.plot(x1, y7, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[6,'CAT_Zonas_'])
#ax.plot(x1, y8, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[7,'CAT_Zonas_'])
#ax.plot(x1, y9, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[8,'CAT_Zonas_'])
#ax.plot(x1, y10, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[9,'CAT_Zonas_'])
#ax.plot(x1, y11, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[10,'CAT_Zonas_'])
ax.plot(x1, y12, marker='.', color='#1f78b4', alpha = 1, linewidth=2, label=table.loc[11,'CAT_Zonas_'])

vals = ax.get_yticks()

ax.set_yticklabels(['{:,.0f}%'.format(x) for x in vals],fontsize = 13)
plt.xticks(fontsize = 12)
        
#plt.text('DICIEMBRE', table.loc[0,'DICIEMBRE'], " Aeropuerto-Foro Sol", horizontalalignment='left', size='large', color='#a6cee3')
#plt.text('DICIEMBRE', table.loc[1,'DICIEMBRE'], " Centro Histórico-Alameda", horizontalalignment='left', size='large', color='#1f78b4')
#plt.text('DICIEMBRE', table.loc[2,'DICIEMBRE'], " Chapultepec-Polanco", horizontalalignment='left', size='large', color='#b2df8a')
#plt.text('DICIEMBRE', table.loc[3,'DICIEMBRE'], " Condesa-Roma", horizontalalignment='left', size='large', color='#33a02c')
#plt.text('DICIEMBRE', table.loc[4,'DICIEMBRE'], " Coyoacán-Xoco-Atoyac", horizontalalignment='left', size='large', color='#fb9a99')
#plt.text('DICIEMBRE', table.loc[5,'DICIEMBRE'], " Iztapalapa-Central de Abasto5", horizontalalignment='left', size='large', color='#e31a1c')
#plt.text('DICIEMBRE', table.loc[6,'DICIEMBRE'], " Norte-Basílica de Guadalupe", horizontalalignment='left', size='large', color='#fdbf6f')
#plt.text('DICIEMBRE', table.loc[7,'DICIEMBRE'], " Perisur-Ajusco", horizontalalignment='left', size='large', color='#ff7f00')
#plt.text('DICIEMBRE', table.loc[8,'DICIEMBRE'], " Santa Fe-Desierto de los Leones", horizontalalignment='left', size='large', color='#cab2d6')
#plt.text('DICIEMBRE', table.loc[9,'DICIEMBRE'], " Tlalpan-Taxqueña", horizontalalignment='left', size='large', color='#6a3d9a')
#plt.text('DICIEMBRE', table.loc[10,'DICIEMBRE'], " Torre Mayor-Zona Rosa", horizontalalignment='left', size='large', color='#ffff99')        
#plt.text('DICIEMBRE', table.loc[11,'DICIEMBRE'], " W.T.C.-San Ángel-C.U", horizontalalignment='left', size='large', color='#b15928')        
        
plt.ylabel("Ocupación (%)",fontsize =15)
plt.xlabel("Mes del Año",fontsize =20)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False)
#ax.grid(axis ='both', color = 'silver', linewidth = 0.5, alpha = 0.5)
#ax.legend()
plt.title("Ocupación (%) WTC-San Ángel-CU Mensual 2019", loc='left', fontsize=20, fontweight=0, color='gray')

fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/prc_ocupa_mes_wtc19.png', format = 'png', dpi = 300, bbox_inches = "tight")

¿Cuántos Airbnb existen en un radio de 300m alrededor de los hoteles?

import geopandas as gpd
url = ('/Users/daniel.rodriguez/Documents/Hoteles CDMX/ZONAS_INF300/ZONAS_INFLUENCIA_300M.shp')
zona_300 = gpd.read_file(url)
zona_300.head()

	OBJECTID	CAT_Zonas_	Shape_Leng	Shape_Area	geometry
0	1	Aeropuerto - Foro Sol	47288.654131	8.307150e+06	(POLYGON ((489386.3210000005 2143667.6678, 489...
1	2	Centro Historico - Alameda	11835.621507	6.501867e+06	POLYGON ((484872.9250999996 2150198.906400001,...
2	3	Chapultepec - Polanco	46569.371481	9.716436e+06	(POLYGON ((480837.1151000001 2145995.589, 4808...
3	4	Condesa - Zona Rosa	15032.361805	4.619518e+06	POLYGON ((483863.7829 2147510.852399999, 48387...
4	5	Coyoacan	3094.549327	5.454087e+05	POLYGON ((482761.8032 2141292.4705, 482761.760...

zona_300.info()

<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 13 entries, 0 to 12
Data columns (total 5 columns):
OBJECTID      13 non-null int64
CAT_Zonas_    13 non-null object
Shape_Leng    13 non-null float64
Shape_Area    13 non-null float64
geometry      13 non-null object
dtypes: float64(2), int64(1), object(2)
memory usage: 648.0+ bytes

zona_300.crs

{'init': 'epsg:32614'}

import geopandas as gpd
url = ('/Users/daniel.rodriguez/Documents/Hoteles CDMX/ZONAS_TURISTICAS/ZONAS_TURISTICAS_SEP2019.shp')
zona_tur = gpd.read_file(url)
zona_tur.head()

	CAT_Zonas_	geometry
0	Iztapalapa - Central de Abastos	POLYGON ((487189.3160802843 2140407.242675485,...
1	Torre Mayor - Zona Rosa	POLYGON ((484568.3957079658 2149180.813199172,...
2	Condesa - Roma	POLYGON ((483871.9510054048 2147957.256822979,...
3	Chapultepec - Polanco	POLYGON ((480012.7437940165 2152895.103658728,...
4	Perisur - Ajusco	POLYGON ((472336.869970886 2139462.249295114, ...

zona_tur.crs ={'init':'epsg:32614'}
zona_tur.crs

{'init': 'epsg:32614'}

zona12.head()

	CAT_Zonas_	geometry
0	Iztapalapa - Central de Abastos	POLYGON ((-99.12197974597882 19.35766192285855...
1	Torre Mayor - Zona Rosa	POLYGON ((-99.14700654644166 19.43693257899282...
2	Condesa - Roma	POLYGON ((-99.15363069326013 19.42586952577939...
3	Chapultepec - Polanco	POLYGON ((-99.19044419899467 19.47045898200271...
4	Perisur - Ajusco	POLYGON ((-99.26338605979838 19.34897216208141...

zona12 = zona_tur.to_crs({'init':'epsg:4326'})

new_hotels = pd.read_csv('/Users/daniel.rodriguez/Documents/HOTELES CDMX/BASES PROCESADAS/nuevo_hoteles.csv',sep = ',', encoding = 'utf-8',header = 0, index_col =False)
new_hotels.head()

	hotel	latitud	longitud
0	Living Cefiro by Stara	19.307440	-99.180707
1	Sleep Inn Mexico City	19.363216	-99.283047
2	Hotel Ryo Kan	19.428835	-99.171482
3	Hotel El Greco	19.385924	-99.175834

from geopandas import GeoDataFrame
from shapely.geometry import Point

geometry = [Point(xy) for xy in zip(new_hotels['longitud'], new_hotels['latitud'])]
new1 = new_hotels.drop(['longitud', 'latitud'], axis=1)
crs = {'init': 'epsg:4326'}
gdf_new = GeoDataFrame(new1, crs = crs, geometry=geometry)
gdf_new.head()

	hotel	geometry
0	Living Cefiro by Stara	POINT (-99.180707 19.30744)
1	Sleep Inn Mexico City	POINT (-99.283047 19.363216)
2	Hotel Ryo Kan	POINT (-99.171482 19.428835)
3	Hotel El Greco	POINT (-99.17583399999999 19.385924)

zona12.CAT_Zonas_.unique()

array(['Iztapalapa - Central de Abastos', 'Torre Mayor - Zona Rosa',
       'Condesa - Roma', 'Chapultepec - Polanco', 'Perisur - Ajusco',
       'Santa Fe - Desierto de los Leones',
       'Norte - Basilica de Guadalupe', 'Tlalpan - Taxqueña', 'Coyoacan',
       'WTC - San Angel - CU', 'Centro Historico - Alameda',
       'Aeropuerto - Foro Sol', 'Xochimilco - Milpa Alta -Tlahuac'],
      dtype=object)

zona12[zona12['CAT_Zonas_']=='']

con_new = gpd.sjoin(gdf_new,zona12, how = 'inner', op = 'intersects')
con_new

	hotel	geometry	index_right	CAT_Zonas_
0	Living Cefiro by Stara	POINT (-99.180707 19.30744)	9	WTC - San Angel - CU
3	Hotel El Greco	POINT (-99.17583399999999 19.385924)	9	WTC - San Angel - CU
1	Sleep Inn Mexico City	POINT (-99.283047 19.363216)	5	Santa Fe - Desierto de los Leones
2	Hotel Ryo Kan	POINT (-99.171482 19.428835)	1	Torre Mayor - Zona Rosa

ig, ax = plt.subplots(figsize=(20,17))
zona12.plot(ax = ax, alpha = 0.3,edgecolor='black', label = 'Zonas')
gdf_new.plot(ax = ax, alpha = 0.5, color ='r', edgecolor='black', label = 'Hoteles Nuevos')
plt.title('Hoteles Nuevos', fontsize=20, fontweight=0, color='gray')
plt.legend()
plt.axis('off')
#ctx.add_basemap(ax, zoom =12,url=ctx.sources.ST_TONER_LITE)

(-99.38615527354291,
 -98.91907174246134,
 19.021010633017358,
 19.619983310772437)

air = pd.read_csv('/Users/daniel.rodriguez/Documents/HOTELES CDMX/AIRBNB/listings.csv',sep = ',', encoding = 'utf-8',header = 0, index_col =False)
air.head()

/anaconda3/envs/poder/lib/python3.7/site-packages/IPython/core/interactiveshell.py:3058: DtypeWarning: Columns (61,62,94) have mixed types. Specify dtype option on import or set low_memory=False.
  interactivity=interactivity, compiler=compiler, result=result)

	id	listing_url	scrape_id	last_scraped	name	summary	space	description	experiences_offered	neighborhood_overview	notes	transit	access	interaction	house_rules	thumbnail_url	medium_url	picture_url	xl_picture_url	host_id	host_url	host_name	host_since	host_location	host_about	host_response_time	host_response_rate	host_acceptance_rate	host_is_superhost	host_thumbnail_url	host_picture_url	host_neighbourhood	host_listings_count	host_total_listings_count	host_verifications	host_has_profile_pic	host_identity_verified	street	neighbourhood	neighbourhood_cleansed	neighbourhood_group_cleansed	city	state	zipcode	market	smart_location	country_code	country	latitude	longitude	is_location_exact	property_type	room_type	accommodates	bathrooms	bedrooms	beds	bed_type	amenities	square_feet	price	weekly_price	monthly_price	security_deposit	cleaning_fee	guests_included	extra_people	minimum_nights	maximum_nights	minimum_minimum_nights	maximum_minimum_nights	minimum_maximum_nights	maximum_maximum_nights	minimum_nights_avg_ntm	maximum_nights_avg_ntm	calendar_updated	has_availability	availability_30	availability_60	availability_90	availability_365	calendar_last_scraped	number_of_reviews	number_of_reviews_ltm	first_review	last_review	review_scores_rating	review_scores_accuracy	review_scores_cleanliness	review_scores_checkin	review_scores_communication	review_scores_location	review_scores_value	requires_license	license	jurisdiction_names	instant_bookable	is_business_travel_ready	cancellation_policy	require_guest_profile_picture	require_guest_phone_verification	calculated_host_listings_count	calculated_host_listings_count_entire_homes	calculated_host_listings_count_private_rooms	calculated_host_listings_count_shared_rooms	reviews_per_month
0	14714	https://www.airbnb.com/rooms/14714	20190716153352	2019-07-16	Private room c/ bathroom . Colonia Juarez.	Departamento ubicado a dos cuadras de Reforma,...	La habitación es super luminosa, cuenta con un...	Departamento ubicado a dos cuadras de Reforma,...	none	La Colonia Juarez es hipster, bohemia, llena d...	No se permiten fiestas, mascotas, ni fumar den...	El metrobús Reforma y el metro Cuauhtémoc (lí...	La cocina, la sala, el roof garde en el tercer...	NaN	NaN	NaN	NaN	https://a0.muscache.com/im/pictures/634613ab-8...	NaN	57785	https://www.airbnb.com/users/show/57785	Diego	2009-11-26	Mexico City, Mexico City, Mexico	Director de teatro. Viví en Buenos Aires, Mont...	within a few hours	80%	NaN	f	https://a0.muscache.com/im/pictures/user/7ee08...	https://a0.muscache.com/im/pictures/user/7ee08...	Juárez	2.0	2.0	['email', 'phone', 'facebook', 'reviews', 'jum...	t	f	Ciudad de México, Ciudad de México, Mexico	Juárez	Cuauhtémoc	NaN	Ciudad de México	Ciudad de México	06600	Mexico City	Ciudad de México, Mexico	MX	Mexico	19.43035	-99.15511	t	Apartment	Private room	2	1.0	1.0	1.0	Real Bed	{Wifi,Kitchen,"Free parking on premises","Paid...	NaN	$474.00	NaN	NaN	$0.00	$285.00	1	$379.00	2	20	2	2	20	20	2.0	20.0	3 weeks ago	t	0	29	59	334	2019-07-16	0	0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	f	NaN	{"Ciudad de México"}	f	f	strict_14_with_grace_period	f	f	2	0	2	0	NaN
1	22787	https://www.airbnb.com/rooms/22787	20190716153352	2019-07-16	Sunny suite w/ queen size bed, inside boutique...	This suite inside El Patio 77 - an eco-friendl...	El Patio 77 is the first eco-friendly bed and ...	This suite inside El Patio 77 - an eco-friendl...	none	Up-and-coming San Rafael neighborhood combines...	NaN	Circuito Interior, Ribera de San Cosme, and In...	Breakfast is served 8am to 10am. Concierge and...	Trilingual concierge service is here to help y...	This rooms share a bathroom between 2 rooms. ...	NaN	NaN	https://a0.muscache.com/im/pictures/b4768b03-c...	NaN	87973	https://www.airbnb.com/users/show/87973	Diego	2010-03-03	Mexico City, Mexico City, Mexico	Soy Diego, soy francés pero vivo en México des...	within an hour	100%	NaN	f	https://a0.muscache.com/im/users/87973/profile...	https://a0.muscache.com/im/users/87973/profile...	San Rafael	10.0	10.0	['email', 'phone', 'facebook', 'reviews', 'wor...	t	f	Mexico City, D.f., Mexico	San Rafael	Cuauhtémoc	NaN	Mexico City	D.f.	06470	Mexico City	Mexico City, Mexico	MX	Mexico	19.44076	-99.16324	t	Boutique hotel	Private room	2	1.0	1.0	1.0	Real Bed	{Wifi,"Paid parking off premises",Breakfast,Wa...	248.0	$1,954.00	NaN	NaN	NaN	NaN	2	$0.00	1	365	1	1	365	365	1.0	365.0	today	t	17	47	71	317	2019-07-16	57	1	2010-06-26	2019-05-27	98.0	10.0	10.0	10.0	10.0	10.0	10.0	f	NaN	{"Ciudad de México"}	t	f	strict_14_with_grace_period	f	f	9	0	9	0	0.52
2	33681	https://www.airbnb.com/rooms/33681	20190716153352	2019-07-17	Couple of Rooms	NaN	You will get the best view of one of the bigge...	You will get the best view of one of the bigge...	none	NaN	NaN	NaN	NaN	NaN	Do not disturbe !	NaN	NaN	https://a0.muscache.com/im/pictures/294857/c6f...	NaN	145672	https://www.airbnb.com/users/show/145672	Edubiel	2010-06-16	mexico	NaN	NaN	NaN	NaN	f	https://a0.muscache.com/im/users/145672/profil...	https://a0.muscache.com/im/users/145672/profil...	NaN	1.0	1.0	['facebook']	t	f	Mexico City, DF, Mexico	NaN	Tlalpan	NaN	Mexico City	DF	14220	Mexico City	Mexico City, Mexico	MX	Mexico	19.27215	-99.21848	t	Hostel	Private room	2	NaN	1.0	1.0	Real Bed	{"Free parking on premises","Smoking allowed",...	NaN	$1,732.00	NaN	NaN	NaN	NaN	1	$0.00	1	730	1	1	730	730	1.0	730.0	never	t	30	60	90	365	2019-07-17	0	0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	f	NaN	{"Mexico City"," MX Zip Codes 3"}	f	f	flexible	f	f	1	0	1	0	NaN
3	35797	https://www.airbnb.com/rooms/35797	20190716153352	2019-07-16	Villa Dante	Dentro de Villa un estudio de arte con futon, ...	please go to (URL HIDDEN) and see the place a...	Dentro de Villa un estudio de arte con futon, ...	none	Centro comercial Santa Fe, parque interlomas y...	Si te gustan la tipo haciendas o decoración co...	Uber es buena opción o taxi	Jardin muy Amplio.	Cualquier duda contáctenos por esta vía. Se le...	Se renta un estudio dentro de la villa. Y est...	NaN	NaN	https://a0.muscache.com/im/pictures/201492/ef4...	NaN	153786	https://www.airbnb.com/users/show/153786	Dici	2010-06-28	Mexico City, Mexico City, Mexico	Master in visual arts, film photography & Mark...	NaN	NaN	NaN	f	https://a0.muscache.com/im/pictures/00de11fb-9...	https://a0.muscache.com/im/pictures/00de11fb-9...	NaN	2.0	2.0	['email', 'phone', 'reviews', 'jumio', 'offlin...	t	f	Mexico City, D.f., Mexico	NaN	Cuajimalpa de Morelos	NaN	Mexico City	D.f.	NaN	Mexico City	Mexico City, Mexico	MX	Mexico	19.38399	-99.27335	f	Villa	Entire home/apt	2	1.0	1.0	1.0	Futon	{Wifi,Kitchen,"Free parking on premises","Indo...	32292.0	$3,794.00	NaN	$105,383.00	NaN	NaN	1	$0.00	1	7	1	1	7	7	1.0	7.0	24 months ago	t	28	58	88	363	2019-07-16	0	0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	f	NaN	{"Ciudad de México"}	f	f	flexible	f	f	2	1	1	0	NaN
4	44616	https://www.airbnb.com/rooms/44616	20190716153352	2019-07-16	CONDESA HAUS B&B	A new concept of hosting in mexico through a b...	Stay with us at this bed & breakfast named CON...	A new concept of hosting in mexico through a b...	none	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	https://a0.muscache.com/im/pictures/251410/ec7...	NaN	196253	https://www.airbnb.com/users/show/196253	Condesa Haus Bed & Breakfast CDMX	2010-08-09	Mexico City, Distrito Federal, Mexico	Condesa Haus is Bed & Breakfast located on th...	within a few hours	100%	NaN	f	https://a0.muscache.com/im/users/196253/profil...	https://a0.muscache.com/im/users/196253/profil...	Condesa	10.0	10.0	['email', 'phone', 'reviews', 'offline_governm...	t	f	Mexico City, D.f., Mexico	Condesa	Cuauhtémoc	NaN	Mexico City	D.f.	06140	Mexico City	Mexico City, Mexico	MX	Mexico	19.41006	-99.17645	t	Bed and breakfast	Private room	16	9.0	9.0	1.0	Real Bed	{TV,"Cable TV",Internet,Wifi,"Free parking on ...	NaN	$1,897.00	NaN	NaN	$0.00	$0.00	1	$300.00	1	365	1	1	365	365	1.0	365.0	5 weeks ago	t	13	39	69	344	2019-07-16	39	9	2011-11-09	2019-05-02	89.0	9.0	9.0	10.0	9.0	10.0	9.0	f	NaN	{"Ciudad de México"}	f	f	strict_14_with_grace_period	f	f	10	4	6	0	0.42

air_xy = air[['id','longitude','latitude']]
air_xy.columns

Index(['id', 'longitude', 'latitude'], dtype='object')

from geopandas import GeoDataFrame
from shapely.geometry import Point

geometry = [Point(xy) for xy in zip(air_xy['longitude'], air_xy['latitude'])]
air_xy1 = air_xy.drop(['longitude', 'latitude'], axis=1)
crs = {'init': 'epsg:4326'}
gdf = GeoDataFrame(air_xy1, crs = crs, geometry=geometry)
gdf.head()

	id	geometry
0	14714	POINT (-99.15510999999999 19.43035)
1	22787	POINT (-99.16324 19.44076)
2	33681	POINT (-99.21848 19.27215)
3	35797	POINT (-99.27334999999999 19.38399)
4	44616	POINT (-99.17645 19.41006)

gdf.crs

{'init': 'epsg:4326'}

air_shp = gdf.to_crs({'init':'epsg:32614'})
air_shp.head()

	id	geometry
0	14714	POINT (483717.1004987835 2148453.175128175)
1	22787	POINT (482864.7321007056 2149605.865768956)
2	33681	POINT (477042.601701933 2130955.139789263)
3	35797	POINT (471296.4931235336 2143338.709071)
4	44616	POINT (481474.5985634 2146210.1764826)

import contextily as ctx
air1 = air_shp.to_crs(epsg = 3857)
zona1 = zona_300.to_crs(epsg = 3857)

fig, ax = plt.subplots(figsize=(20,17))
air1.plot(ax = ax, alpha = 0.3,edgecolor='black', label = 'Airbnb')
zona1.plot(ax = ax, alpha = 0.5, color ='r', edgecolor='black', label = 'Hoteles Muestra')
plt.title('Airbnb vs Hoteles', fontsize=20, fontweight=0, color='gray')
plt.legend()
plt.axis('off')
ctx.add_basemap(ax, zoom =12,url=ctx.sources.ST_TONER_LITE)
fig.savefig('/Users/daniel.rodriguez/Documents/HOTELES CDMX/GRAPH/mapairbnbvshoteles.png', format = 'png', dpi = 300, bbox_inches = "tight")

joined = gpd.sjoin(air_shp, zona_300, op = 'within')
joined.head()

	id	geometry	index_right	OBJECTID	CAT_Zonas_	Shape_Leng	Shape_Area
0	14714	POINT (483717.1004987835 2148453.175128175)	10	11	Torre Mayor - Zona Rosa	13824.706035	6.642480e+06
1	22787	POINT (482864.7321007056 2149605.865768956)	10	11	Torre Mayor - Zona Rosa	13824.706035	6.642480e+06
10	99972	POINT (482815.5982493593 2149818.367295615)	10	11	Torre Mayor - Zona Rosa	13824.706035	6.642480e+06
16	180808	POINT (482318.1542197064 2147782.822795313)	10	11	Torre Mayor - Zona Rosa	13824.706035	6.642480e+06
23	245507	POINT (482083.0875080909 2147873.789923726)	10	11	Torre Mayor - Zona Rosa	13824.706035	6.642480e+06

len(joined)

9886

fig, ax = plt.subplots(figsize=(20,17))
joined.plot(ax = ax, alpha = 0.1)

<matplotlib.axes._subplots.AxesSubplot at 0x1a2f76f518>

j_g = joined.groupby('CAT_Zonas_').count().reset_index()
j_g_count = j_g[['CAT_Zonas_','id']]
j_g_count = j_g_count.sort_values('id', ascending = False)
j_g_count.loc[3, 'CAT_Zonas_']='Condesa-Roma'

import random
fig, ax = plt.subplots(figsize = (15, 10))
# Plot Bars

barlist = ax.bar(j_g_count['CAT_Zonas_'], j_g_count['id'], color='teal', alpha = 0.5,width=.9)
#barlist[22].set_color('r')

#for i, val in enumerate(un_pob_cons['tas_consultorios'].values):
    #plt.text(i, val-0.04, round(val, 2), horizontalalignment='center', verticalalignment='bottom', fontdict={'fontweight':500,'color':'white', 'size':10})
    
# Decoration
plt.gca().set_xticklabels(j_g_count['CAT_Zonas_'], rotation=90, horizontalalignment= 'center')
plt.title('Número de AirBnb por Zona Hotelera', fontsize=20)
plt.ylabel('Número de AirBnb',fontsize=15)
plt.xticks(fontsize = 15)
#plt.ylim(0, 0.7)
ax.spines["top"].set_visible(False)  
ax.spines["right"].set_visible(False) 
plt.savefig('/Users/daniel.rodriguez/Documents/Hoteles CDMX/GRAPH/airbnb.png', format = 'png', dpi = 300,bbox_inches = "tight")
plt.show()

Verificar por mes cuales hoteles o zonas están por arriba o por debajo del promedio

hotel_mx1 = pd.read_csv('/Users/daniel.rodriguez/Documents/Hoteles CDMX/hotel_matrix.csv',sep = ',', encoding = 'utf-8',header = 0, index_col =False)
hotel_mx1.head()

	RTCDMX	NOMBRE_HOTEL	CAT_Zonas_	ENERO	FEBRERO	MARZO	ABRIL	MAYO	JUNIO	JULIO	AGOSTO	SEPTIEMBRE	OCTUBRE	NOVIEMBRE	DICIEMBRE
0	6642	Las Suites Polanco	Chapultepec-Polanco	0	1	1	1	0	1	1	1	1	1	1	0
1	1158	Hotel Mazatlan	Centro Historico-Alameda	1	1	1	1	0	1	1	0	1	1	1	0
2	5181	Holiday Inn & Suites Mexico Medica Sur	Perisur-Ajusco	0	1	0	1	1	1	1	1	1	1	1	0
3	5341	Filadelfia Suites Hotel Boutique	W.T.C.-San Angel-C.U.	0	1	1	1	1	1	1	1	0	1	1	0
4	6668	City Express Patio Universidad	Coyoacan-Xoco-Atoyac	0	1	0	1	1	0	1	1	1	1	1	0

hotel_mx1.set_index('NOMBRE_HOTEL', inplace = True)

hotel_mx2 = hotel_mx1[['ENERO', 'FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']]

hotel_mx3 = hotel_mx2[~hotel_mx2['ENERO']<0]
hotel_mx3[0:2]

p1_hotel_mx3 = hotel_mx3[0:32]
p2_hotel_mx3 = hotel_mx3[32:65]
p3_hotel_mx3 = hotel_mx3[65:98]

hotel_mx4 = hotel_mx1[~hotel_mx1['ENERO']<0]
e = list(hotel_mx4.CAT_Zonas_)
len(e)

98

lista_pos1 = [0.6,1.6,2.6,3.6,4.6,5.6,6.6,7.6,8.6,9.6,10.6,11.6,12.6,13.6,14.6,15.6,16.6,
              17.6,18.6,19.6,20.6,21.6,22.6,23.6,24.6,25.6,26.6,27.6,28.6,29.6,30.6,31.6]

lista_pos2 = [0.6,1.6,2.6,3.6,4.6,5.6,6.6,7.6,8.6,9.6,10.6,11.6,12.6,13.6,14.6,15.6,16.6,
              17.6,18.6,19.6,20.6,21.6,22.6,23.6,24.6,25.6,26.6,27.6,28.6,29.6,30.6,31.6,
              32.6]

import seaborn as sns
from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap
fig = plt.figure(figsize=(5,10))

viridisBig = cm.get_cmap('viridis_r', 512)
newcmp = ListedColormap(viridisBig(np.linspace(0.25, 0.75, 256)))


ax = sns.heatmap(p1_hotel_mx3,
                 cmap = newcmp,
                linewidths = .5, 
                cbar=False,
                linecolor = 'black', 
)


for zona, pos in zip(e[0:32],lista_pos1):
    plt.text(12,pos, zona, fontsize=8)

ax.set_title("Ocupación (%) de Hoteles por arriba o por debajo del promedio", fontsize = 15,pad = 30,color = 'gray')
fig.savefig('/Users/daniel.rodriguez/Documents/Hoteles CDMX/GRAPH/matrix_mean1.png', format = 'png', dpi = 300, bbox_inches = "tight")

import seaborn as sns
fig = plt.figure(figsize=(5,10))

viridisBig = cm.get_cmap('viridis_r', 512)
newcmp = ListedColormap(viridisBig(np.linspace(0.25, 0.75, 256)))

ax = sns.heatmap(p2_hotel_mx3,
                cmap = newcmp,
                linewidths = .5, 
                cbar=False,
                linecolor = 'black', 
                )


for zona, pos in zip(e[32:65],lista_pos2):
    plt.text(12,pos, zona, fontsize=8)

ax.set_title("Ocupación (%) de Hoteles por arriba o por debajo del promedio", pad = 30, fontsize = 15,color = 'gray')
fig.savefig('/Users/daniel.rodriguez/Documents/Hoteles CDMX/GRAPH/matrix_mean2.png', format = 'png', dpi = 300, bbox_inches = "tight")

import seaborn as sns
fig = plt.figure(figsize=(5,10))

viridisBig = cm.get_cmap('viridis_r', 512)
newcmp = ListedColormap(viridisBig(np.linspace(0.25, 0.75, 256)))

ax = sns.heatmap(p3_hotel_mx3,
                cmap = newcmp,
                linewidths = .5, 
                cbar=False,
                linecolor = 'black', 
                )


for zona, pos in zip(e[65:98],lista_pos2):
    plt.text(12,pos, zona, fontsize=8)


ax.set_title("Ocupación (%) de Hoteles por arriba o por debajo del promedio", pad = 30, fontsize = 15,color = 'gray')
fig.savefig('/Users/daniel.rodriguez/Documents/Hoteles CDMX/GRAPH/matrix_mean3.png', format = 'png', dpi = 300, bbox_inches = "tight")

import seaborn as sns
fig = plt.figure(figsize=(5,20))



ax = sns.heatmap(hotel_mx2,
                cmap = 'viridis_r',
                linewidths = .5, 
                #annot = True, 
                #fmt = ".0f", 
                #annot_kws = {'size':10},
                cbar=False,
                linecolor = 'black', 
                )


for zona, pos in zip(e,lista_y_pos):
    plt.text(12,pos, zona, fontsize=8)


ax.set_title("Ocupación (%) de Hoteles por arriba o por debajo del promedio", fontsize = 15,pad = 5,color = 'gray')
fig.savefig('/Users/daniel.rodriguez/Documents/Hoteles CDMX/GRAPH/matrix_meanall.png', format = 'png', dpi = 300, bbox_inches = "tight")

concentrado1 = conce_bren[conce_bren['AÑO']==2018]
concentrado1_g = concentrado1.groupby(['CAT_Zonas_']).mean().reset_index()
concentrado1_g = concentrado1_g[['CAT_Zonas_','PRC_OCUP']]

concentrado1_mensual = concentrado1.groupby(['CAT_Zonas_','MES']).mean().reset_index()
concentrado1_mensual = concentrado1_mensual[['CAT_Zonas_','MES','PRC_OCUP']]
table_zona = pd.pivot_table(concentrado1_mensual, values = 'PRC_OCUP', index = ['CAT_Zonas_'], columns = ['MES']).reset_index()
table_zona = table_zona[['CAT_Zonas_','ENERO','FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']]

concentrado1_g = concentrado1_g.merge(table_zona[['CAT_Zonas_','ENERO','FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE','OCTUBRE','NOVIEMBRE','DICIEMBRE']], how = 'left')

columnas = ['ENE','FEB','MAR','ABR','MAY','JUN','JUL','AGO','SEP','OCT','NOV','DIC']
col_ = ['ENERO','FEBRERO','MARZO','ABRIL','MAYO','JUNIO','JULIO','AGOSTO','SEPTIEMBRE',
        'OCTUBRE','NOVIEMBRE','DICIEMBRE']

for c, col in zip(columnas, col_):
    concentrado1_g[c] = np.where(concentrado1_g[col]>concentrado1_g['PRC_OCUP'], 1, 0)
    

concentrado2_g = concentrado1_g[['CAT_Zonas_','ENE','FEB','MAR','ABR','MAY','JUN','JUL','AGO','SEP','OCT','NOV','DIC']]
concentrado2_g.set_index('CAT_Zonas_', inplace = True)
concentrado2_g

	ENE	FEB	MAR	ABR	MAY	JUN	JUL	AGO	SEP	OCT	NOV	DIC
CAT_Zonas_
Aeropuerto-Foro Sol	0	1	1	0	0	0	0	0	1	1	1	0
Centro Historico-Alameda	0	1	1	1	0	0	1	0	0	1	1	0
Chapultepec-Polanco	0	1	1	0	0	1	0	1	1	1	1	0
Condesa-Roma	0	1	1	1	0	1	1	1	1	1	1	0
Coyoacan-Xoco-Atoyac	0	1	0	1	1	0	1	1	1	1	1	0
Iztapalapa-Central de Abasto	0	1	1	1	1	0	0	1	1	1	1	0
Norte-Basilica de Guadalupe	0	1	1	0	0	1	1	0	0	1	1	0
Perisur-Ajusco	0	1	0	1	0	1	0	0	1	1	1	0
Santa Fe-Desierto de los Leones	0	1	0	0	1	1	0	0	1	1	1	0
Tlalpan-Taxquena	0	1	1	0	1	1	0	0	1	1	1	0
Torre Mayor-Zona Rosa	0	1	1	0	0	1	1	0	0	1	1	0
W.T.C.-San Angel-C.U.	0	1	0	1	1	1	0	1	0	1	1	0

import seaborn as sns
from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap
fig = plt.figure(figsize=(4,4))

viridisBig = cm.get_cmap('viridis_r', 512)
newcmp = ListedColormap(viridisBig(np.linspace(0.25, 0.75, 256)))


ax = sns.heatmap(concentrado2_g,
                 cmap = newcmp,
                linewidths = .5, 
                cbar=False,
                linecolor = 'black', 
)


#for zona, pos in zip(e[0:32],lista_pos1):
    #plt.text(12,pos, zona, fontsize=8)

ax.set_title("Ocupación (%) de Zonas por arriba o por debajo del promedio", fontsize = 15,pad = 30,color = 'gray')
fig.savefig('/Users/daniel.rodriguez/Documents/Hoteles CDMX/GRAPH/matrix_mean_zone.png', format = 'png', dpi = 300, bbox_inches = "tight")